Eğitim örnekleri Bölüm 5.1’de anlatıldığı gibi 64x128 piksel boyutundaki resimlerden oluşmaktadır. Resmi oluşturan piksel değerleri doğrudan ya da dolaylı olarak kullanılarak resmin öznitelikleri hesaplanır. Örneğin, resmi oluşturan piksel değerlerinin ortalaması (ya da varyansı) bu resmi karakterize eden bir öznitelik olarak kullanılabilir. Öznitelik bulma yöntemi, pozitif ve negatif eğitim örneklerine aynı şekilde uygulanarak bulunan özniteliklerdeki ayırt edici kriterler belirlenir. Şekil 5.3’de de gösterildiği gibi öznitelik çıkarıcı modül, öznitelik bulma yöntemlerinden birini veya birkaçını birarada kullanarak tüm eğitim örnekleri için öznitelikleri hesaplar. Bu öznitelikler, kullanılan öznitelik bulma yöntemi ve tekrar hesaplanabilmeleri için gerekli tüm bilgilerle birlikte saklanır.
Şekil 5. 3 Tüm eğitim örnekleri için istenilen türde öznitelikleri çıkararak listeleyen modül.
40
5.2.1 Dikdörtgen Farkları
Bu öznitelik bulma yöntemi ilk defa Viola ve Jones [16] tarafından önerilmiş ve ardından en çok kullanılan öznitelik bulma yöntemlerinden biri haline gelmiştir. Dikdörtgen farkları yöntemi, esasen Papageorgiou ve Poggio [22] tarafından geliştirilen Haar dalgacık öznitelikleri bulma yöntemine benzemektedir. Fakat dikdörtgen farkları integral resimler [16] üzerinden hızlı bir şekilde hesaplanabilmektedir.
Bu öznitelik bulma yönteminde, dikdörtgen şeklindeki ve çeşitli boyutlardaki şablon denilen parçalar resim üzerinde dolaştırılarak her konumda yeni bir öznitelik değeri hesaplanır. Bu çalışmada, Şekil 5.4’de gösterilen dikdörtgen şablonlar kullanılmıştır. Kullanılan şablonların sayısı ve çeşitliliği arttırılabilir.
Şekil 5. 4 Dikdörtgen öznitelik şablonları.
Dikdörtgen farkları yöntemi, kullanılan öznitelik şablonundaki koyu bölgeye denk gelen piksellerin toplamından açık bölgedeki piksellerin toplamının çıkarılması sonucu elde edilen değerin bir öznitelik sayılması şeklinde kullanılır.
Bu çalışmada bir şablonun en küçük boyutu 24x24 piksel olarak tasarlanmıştır. Bir şablon öznitelikleri bulunacak resim içerisinde her adımda şablonun genişliğinin 1/3’ü kadar kaydırılır. Tüm resim bu şekilde tarandıktan sonra şablonun boyu 24’er piksel arttırılarak uzatılır ve tekrar tüm resim üzerinde dolaşması sağlanır. Bu işlem şablonun boyu resme sığdığı sürece tekrarlanır. Daha sonra aynı işlemler şablonun eni 24 piksel arttırılarak tekrarlanır. Böylece 64x128 piksellik her bir veri kümesi örneği için bu 5 adet şablon kullanılarak 690 adet öznitelik bulunur. Öznitelik sayısı, eğitim ve testlerin hızlı yapılabilmesi için az sayıda tutulmuştur. Benzer çalışmalarda, örneğin [52]’de 20x15 piksellik bir örnek resim için 24328 öznitelik hesaplanmıştır. [7]’de ise 134621 öznitelik hesaplanmaktadır.
41
5.2.2 Dikdörtgen Oranları
Dikdörtgen oranları yöntemi temelde dikdörtgen farkları yöntemiyle aynıdır. Dikdörtgen oranları yöntemi, Şekil 5.4’de görülen şablonlar kullanılırken koyu bölgelerin açık bölgelerden çıkarılması yerine oranlarının kaydedilmesini önerir [21]. Dikdörtgen oranlarının, dikdörtgen farklarına karşı en büyük avantajı farklı şablon boyutları için kullanıma uygun olmasıdır. Bir resimde yaya aranırken eğitimde kullanılan örneklerle aynı boyuttaki yani 64x128 piksel boyutunda bir pencere tüm resmi tarar ve yaya içeren bölgeleri tespit eder. Fakat bu şekilde sadece 64x128 piksel boyutundaki yayalar tespit edilebilir. Bundan daha küçük ya da daha büyük boyutlardaki yayaların tespiti pencere boyutu değiştirilerek yapılmak istenirse, pencere içerisinde kalan resmin özniteliklerini bulmaya yarayan şablonun boyutunun da aynı oranda değiştirilmesi gerekir. Böylece örneğin 32x64 boyutundaki resmin özniteliklerini ararken 24x24 yerine 12x12 piksellik bir şablonla başlanır ve her adımda 24 piksel yerine 12 adım ilerlenir. Diğer bir ifadeyle şablonların boyutu da yarı yarıya küçültülmüş olur. Bu şekilde 32x64 piksellik resim için de 64x128 piksellik resimde bulunan sayıda öznitelik hesaplanmış olur. Bu iki farklı boyuttaki resmin öznitelikleri dikdörtgen oranları yöntemi kullanılarsa birbirleriye uyumlu olur ve dolayısıyla şablon boyutu değiştirildiğinde de başarılı karşılaştırmalar yapılabilir.
5.2.3 Ayrık Kosinüs Dönüşümü Katsayıları
Ayrık kosinüs dönüşümü katsayıları yöntemi özellikle resim ve video sıkıştırmada çok kullanılan kosinüs dönüşümüyle bulunan katsayıların kullanımını öngörür. Bu yöntem de daha önce anlatılan öznitelik bulma yöntemlerinde olduğu gibi öznitelikleri bulunmak istenen resim üzerinde bir şablon dolaştırılmasını gerektirir. Fakat bu kez şablon bir karedir, alt dikdörtgenler içermez. Her adımda şablona denk düşen resim bölgesine eşitlik 5.1’deki ayrık kosinüs dönüşümü (AKD) uygulanarak dönüşüm katsayıları bulunur. Bu katsayılardan ilk 9 tanesi, yani kosinüs matrisinin sol üst köşesinde kalan 3x3’lük alan içerisindeki katsayılar öznitelik değerleri olarak kaydedilir.
∑ ∑ (5.1)
42
Önceki yöntemlerde olduğu gibi örnek resim öncelikle 24x24 piksel boyutunda bir şablonla taranmaya başlanır. Resim içerisinde her seferinde şablon genişliğinin 1/3’ü kadar kayacak şekilde ilerler ve bir satır sonunda boyunun 1/3’ü kadar aşağıdaki satırdan devam eder. Tüm resim tarandıktan sonra şablonun eni ve boyu 24’er piksel arttırılarak aynı işlem tekrarlanır. Bu işlem şablon resim içerisine sığdığı sürece tekrarlanır. Bu şekilde 64x128 boyutunda bir resim için 630 öznitelik hesaplanır.
Yukarıda özetlenen öznitelik gruplarından hangisi veya hangilerinin daha başarılı olduğunu belirlemek üzere INRIA eğitim veri kümesinden 1208 pozitif ve 1208 negatif örnek alınmış ve ağırlıklı ortalama öznitelik sınıflandırıcılı Adaboost kullanılarak eğitim yapılmıştır. Test içinse yine INRIA test veri kümesinden 1126 pozitif ve 1126 negatif resim kullanılmıştır. Ana sınıflandırıcının maksimum yineleme sayısı 600 olarak seçilmiştir. Elde edilen sonuçlar Çizelge 5.1.’de özetlenmiştir.
Çizelge 5. 1 Öznitelik bulma yöntemlerinin karşılaştırılması Kaçırma oranı Hatalı pozitif oranı Dikdörtgen farkları 0.2052 0.0399 Dikdörtgen oranları 0.1261 0.0674 AKD katsayıları 0.1980 0.0559 D. oranları + D. farkları 0.1456 0.0550
D. oranları + AKD katsayıları 0.1172 0.0746 D. farkları + AKD katsayıları 0.1873 0.0630 D. farkları + AKD katsayıları + D. oranları 0.1412 0.0746